A formal approach to variable selection in difference-in-differences
تقترح هذه الورقة إطاراً رسمياً قائماً على الرسوم البيانية لاختيار المتغيرات المصاحبة من أجل استيفاء شرط الاتجاهات المتوازية الشرطية في تحليل الفرق في الفروق، محتجةً بأن تحديات التحديد غالباً ما تنبع من عدم التوافق بين مجموعات الضبط المطلوبة للصلاحية وتلك المستخدمة من قبل المقدرات الشائعة، بدلاً من كونها نابعة من المقدرات نفسها.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول معرفة ما إذا كان فيتامين جديد وباهظ الثمن يساعد الناس حقاً على زيادة طولهم. لديك مجموعتان: مجموعة تأخذ الفيتامين (المجموعة "المعالجة")، ومجموعة أخرى لا تأخذه (مجموعة "الضبط").
الطريقة الكلاسيكية لاختبار ذلك هي طريقة "الفرق في الفروق" (Difference-in-Differences - DiD). الأمر يشبه مراقبة سباق؛ حيث تتحقق من طول الجميع في البداية (قبل تناول الفيتامين)، ثم تتحقق من طولهم عند خط النهاية (بعد تناول الفيتامين). المنطق هو: إذا استمرت المجموعة التي لم تتناول الفيتامين في النمو بنفس السرعة التي كانت تسير بها من قبل، يمكننا افتراض أن مجموعة الفيتامين كانت ستفعل الشيء نفسه لو لم تتناول الفيتامين. الفرق بين ما حدث بالفعل وما "كان سيحدث" هو تأثير الفيتامين.
ومع ذلك، فإن هذا لا ينجح إلا إذا كانت المجموعتان تركضان على نفس المضمار منذ البداية. فإذا كانت مجموعة الفيتامين أطول طبيعياً أو تمتلك أحذية أفضل، فإن السباق لن يكون عادلاً. هذا هو فرض "الاتجاهات المتوازية" (Parallel Trends).
هذه الورقة البحثية تشبه "كتاب القواعد للحكام" حول كيفية التأكد من أن السباق عادل حقاً. إليك تفصيل قواعدهم الجديدة، مشروحة ببساطة:
1. مشكلة "رمي كل شيء في المطبخ" (The Kitchen Sink Problem)
في الماضي، كان الباحثون غالباً ما يلقون بكل قطعة بيانات لديهم في المزيج (الطول، الوزن، مقاس الحذاء، اللون المفضل) دون تفكير في لماذا. أطلقوا على هذا نهج "رمي كل شيء في المطبخ".
- حل الورقة: لا يمكنك مجرد رمي كل شيء. أنت بحاجة إلى خريطة ("مخطط سببي" - Causal Diagram) لترى أي المتغيرات تهم حقاً. فبعض المتغيرات قد تبدو مهمة ولكنها في الواقع تفسد السباق.
2. أسطورة "التوازن المثالي"
كانت الطريقة القدبية في التفكير تفترض أنه إذا نظرت إلى المجموعات ككل، فإن اتجاهات نموها ستتوازن تلقائياً بشكل مثالي.
- حل الورقة: هذا يشبه الأمل في أن سيارتين مختلفتين ستسيران بنفس السرعة تماماً لمجرد أنهما سيارتان. هذا افتراض قوي وغير واقعي. توضح الورقة أن المجموعات غالباً لا تكون متوازنة ما لم تأخذ في الاعتبار اختلافات محددة (مثل حجم المحرك أو ضغط الإطارات).
- الفخ: أحياناً، إذا حاولت موازنتها بإضافة الكثير من المتغيرات، فقد تكسر بالخطأ التوازن المثالي الذي كان موجوداً بالفعل، مما يجعل النتيجة أسوأ بدلاً من أن تكون أفضل.
3. المتغير "الممل"
عادةً ما يتجاهل الباحثون المتغيرات التي لا تتغير بمرور الوقت (مثل جنس الشخص أو مدينة ميلاده) لأنهم يعتقدون: "حسناً، هذا لا يتغير، لذا لا يمكن أن يكون هو السبب في نجاح الفيتامين".
- حل الورقة: أحياناً تكون هذه المتغيرات "المملة" هي السر الخفي! حتى لو لم يتغير المتغير، فقد يكون هو السبب في اختلاف المجموعتين من البداية. تعديل هذا المتغير يمكن أن ينقذ الدراسة. الأمر يشبه إدراك أنه رغم أن السيارات لم تغير لونها، إلا أن اللون هو الذي حدد المسار الذي سلكته كل سيارة.
4. متغير "ما بعد الحدث"
النصيحة القياسية تقول: "لا تنظر أبداً إلى البيانات التي جُمعت بعد بدء العلاج". على سبيل المثال، لا تنظر إلى كمية الأكل لدى مجموعة الفيتامين بعد تناول الفيتامين، لأن الفيتامين ربما جعلهم جائعين.
- حل الورقة: الأمر يعتمد على سبب تغير عادات الأكل.
- إذا جعلهم الفيتامين جائعين، فلا تحسب الأكل (لأنه جزء من التأثير).
- ولكن إذا كان شيئاً آخر هو الذي جعلهم يأكلون أكثر (مثل افتتاح مطعم جديد بالقرب منهم)، فيجب عليك حساب ذلك، وإلا ستحصل على الإجابة الخاطئة.
- المثال التوضيحي: الأمر يشبه المحقق. إذا تغيرت حجة المشتبه به بسبب الجريمة، فتجاهلها. ولكن إذا تغيرت الحجة بسبب ازدحام مروري (غير مرتبط بالجريمة)، فيجب عليك مراعاة الازدحام المروري لحل القضية.
5. البداية "المتدرجة" (The Staggered Start)
أحياناً، تحصل مجموعات مختلفة على العلاج في أوقات مختلفة (مثل الولايات التي تطبق قانوناً جديداً في 2020، 2021، و2022).
- حل الورقة: تميز الورقة بين متى يبدأ العلاج وبين ماهية العلاج. إذا كان العلاج نفسه يتغير بمرور الوقت بناءً على الظروف (ديناميكي)، فهذا يخلق حلقة تغذية راجعة يصعب فك رموزها. أما إذا كان العلاج مجرد شيء يحدث لمرة واحدة في أوقات مختلفة لأشخاص مختلفين (ثابت)، فمن السهل التعامل معه كثيراً.
6. "الأداة الخاطئة" مقابل "الإعدادات الخاطئة"
كان هناك الكثير من الجدل في المجتمع العلمي حول أي "آلة حاسبة" (مقدر إحصائي) هي الأفضل لهذه المهمة.
- الاكتشاف الكبير للورقة: لا يهم أي آلة حاسبة تستخدم! المشكلة ليست في الآلة الحاسبة، بل في الإعدادات التي تضعها فيها.
- المثال التوضيحي: تخيل أنك تخبز كعكة. يمكنك استخدام خلاط كهربائي فاخر أو ملعقة خشبية بسيطة. إذا استخدمت المكونات الخاطئة (المتغيرات الخاطئة)، فسيكون طعم الكعكة سيئاً بغض النظر عن الأداة التي استخدمتها.
- الحل: توضح لك الورقة بالضبط كيف تضبط "المكونات" (مجموعة الضبط) لأي آلة حاسبة تريد استخدامها. إذا قمت بتغذية المتغيرات الصحيحة في الآلة، فحتى أبسط آلة ستعطيك الإجابة الصحيحة.
الخلاصة
تخبر هذه الورقة الباحثين: توقفوا عن التخمين بشأن المتغيرات التي يجب استخدامها.
- ارسم خريطة للسبب والنتيجة.
- استخدم تلك الخريطة لاختيار المتغيرات الصحيحة تماماً لموازنة مجموعاتك.
- لا تقلق بشأن اختيار الأداة الإحصائية الأكثر تعقيداً؛ فقط تأكد من تغذية المتغيرات الصحيحة في أي أداة تمتلكها.
إذا فعلت ذلك، ستحصل على سباق عادل وإجابة حقيقية. وإذا لم تفعل، فقد تكون تقيس شيئاً آخر تماماً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.